55
BAB III METODE PENELITIAN
3.1 Objek Penelitian Objek penelitian merupakan salah satu faktor yang tidak dapat dipisahkan dari suatu penelitian. Objek penelitian merupakan sumber diperolehnya data dari penelitian yang dilakukan. Adapun objek penelitian ini adalah pertumbuhan ekonomi Indonesia tahun 1985-2009. Pada penelitian ini data yang dipergunakan adalah data sekunder yang diambil dan dicatat dari berbagai instansi dan lembaga yang berkompeten dalam meneliti dan mempublikasikan data-data yang dimaksud yakni dari BPS (Badan Pencatatan Statistik) dan Bank Indonesia yaitu berbagai edisi buku laporan statistik ekonomi keuangan Indonesia. Adapun faktor-faktor yang mempengaruhi pertumbuhan ekonomi di Indonesia adalah: 1. Akumulasi Modal Indonesia tahun 1985-2009 2. Tenaga Kerja Indonesia tahun 1985-2009 3. Akumulasi Modal Manusia Indonesia tahun 1985-2009 4. Perkembangan Teknologi Indonesia tahun 1985-2009
3.2. Metode Penelitian Metode merupakan suatu cara ilmiah yang dilakukan untuk mencapai maksud dan tujuan tertentu. Metode yang digunakan penulis dalam penelitian ini yaitu metode
56
explanatory. Metode ini merupakan suatu metode penelitian yang bermaksud menjelaskan
hubungan
antar
variabel
melalui
pengujian
hipotesis
(Masri
Singarimbun:1995). Tujuan dari penggunaan metode ini adalah untuk mendapatkan hasil yang akurat. Penelitian yang diambil adalah penelitian tehadap pertumbuhan ekonomi yang berlangsung dari berbagai rezim pemerintahan, yaitu sejak tahun 1985-2009.
3.3 Teknik Pengumpulan Data Teknik pengumpulan data yang digunakan penulis dalam penelitian yaitu data sekunder. Dalam data sekunder teknik pengambilan data dilakukan dengan cara : 1. Studi kepustakaan yaitu studi atau teknik pengumpulan data dengan cara memperoleh atau mengumpulkan data-data dari buku-buku, laporan, majalah, dan media cetak lainnya yang berhubungan dengan konsep dan masalah yang diteliti 2. Studi dokumenter yaitu studi yang digunakan untuk mencari dan memperoleh halhal atau variable berupa catatan-catatan, laporan-laporan serta dokumen yang berkaitan dengan masalah yang diteliti
3.4 Teknik Pengolahan Data Dalam teknik pengolahan data, langkah-langkah yang penulis tempuh sebagai berikut: 1. Menghitung laju pertumbuhan ekonomi Indonesia melalui PDB Indonesia
57
2. Menghitung presentase akumulasi kapital, tenaga kerja, modal manusia dan teknologi 3. Menganalisis data dan melakukan uji asumsi 4. Melakukan uji hipotesis 5. Mencari pengaruh dari faktor-faktor tersebut terhadap pertumbuhan ekonomi Indonesia.
3.5 Operasional Variabel Operasional variabel merupakan penjabaran konsep-konsep yang akan diteliti, sehingga
dapat
dijadikan
pedoman
guna
menghindari
kesalahan
dalam
menginterpretasikan permasalahan yang diajukan dalam penelitian. Operasional variabel ini dibagi menjadi konsep teoritis, konsep empiris dan konsep analitis. Tabel 3.1 Operasional Variabel
Konsep teoritis
Konsep empiris
Konsep analitis
Skala Rasio
Meningkatnya Variabel terikat (Y) produksi barang dan Pertumbuhan jasa dalam bidang Ekonomi bidang yang meluas dalam masyarakat secara keseluruhan
Laju pertumbuhan ekonomi dari 19852009 (dalam persen)
Keseluruhan jumlah Variabel bebas (XI) akumulasi modal pertahun akumulasi modal periode 1985-2009
Laju PMDN pertahun periode Rasio 1985-2009 (dalam persen)
58
Keseluruhan jumlah tenaga Variabel bebas (X2) kerja yang bekerja pertahun tenaga kerja periode 1985-2009
Laju jumlah tenaga kerja yang bekerja pertahun Rasio periode 1985-2009 (dalam persen)
Laju jumlah anggaran Anggaran pemerintah bidang pemerintah bidang Variabel bebas (X3) pendidikan dan kesehatan pendidikan dan kesehatan Rasio human capital periode 1985-2009 periode 1985-2009 (dalam persen)
Kemajuan teknologi di Variabel bebas (X4) Indonesia pertahun periode teknologi 1985-2009
Laju perhitungan rasio Output terhadap akumulasi modal dan Rasio tenaga kerja di Indonesia periode 1985-2009 (dalam persen)
3.6 Jenis Dan Sumber Data Sumber data dalam suatu penelitian merupakan subyek dari mana data dapat diperoleh (Suharsimi Arikunto: 1993). Adapun sumber data penelitian ini adalah sumber data sekunder. Dalam penelitian ini jenis data yang digunakan adalah data kuantitatif yaitu data dalam bentuk angka. Sedangkan data yang digunakan dalam penelitian ini termasuk jenis data time series selama 25 tahun tentang perubahan laju pertumbuhan ekonomi Indonesia, nilai akumulasi kapital Indonesia, jumlah tenaga kerja Indonesia, kualitas dari modal manusia Indonesia, dan teknologi Indosesia. Masing-masing data diperoleh dari Badan Pusat Statistik Indonesia dari tahun 19852009.
59
3.7 Teknik Analisis Data Untuk mengetahui pengaruh pertumbuhan akumulasi modal, jumlah tenaga kerja, pertumbuhan teknologi dan pertumbuhan sdm/ kualitas tenaga kerja, terhadap pertumbuhan perekonomian Indonesia 1985-2009, digunakan teknik analisis statistik parametrik dengan analisis regresi linier berganda dengan pendekatan Ordinary Least Square (OLS). Tujuan analisis regresi linier berganda adalah untuk mempelajari bagaimana eratnya hubungan antara satu atau beberapa variabel bebas dengan satu variabel terikat. Teknik analisis yang digunakan untuk melakukan pengujian hipotesis dan teori. Peneliti menggunakan model analisis regresi linier berganda (multiple regression), yang berasal dari jurnal internasional yang berjudul ““A Contribution to the Empirics of Economic Growth” Adapun model yang penulis adopsi dari jurnal tersebut diatas adalah sebagai berikut:
di mana Y merupakan laju pertumbuhan PDB, A adalah pertumbuhan produktivitas faktor total yang mencerminkan perkembangan teknologi dan merupakan intersep dalam persamaan regresi atau residual pertumbuhan, K adalah pertumbuhan modal yang diproksi dengan pertumbuhan pembentukan modal tetap domestik bruto, L merupakan pertumbuhan kuantitas tenaga kerja dan H merupakan pertumbuhan kualitas SDM/tenaga kerja yang diproduksi dengan pertumbuhan Human Capital.
60
Y= β0+β1X1+β2X2+β3X3+ β4X4 + ε
(Gujarati, 2001:49)
Keterangan: Y βo β1 , β 2 , β 3 X1 X2 X3 X
= Nilai Pertumbuhan Ekonomi = Konstanta = Koefisien Regresi = Laju Pertumbuhan Akumulasi Modal = Laju Pertumbuhan Kuantitas Tenaga Kerja = Laju Pertumbuhan Akumulasi Human Capital = Laju Pertumbuhan Kemajuan Teknologi
Ε
= Variabel Pengganggu
4
Sebagaimana diuraikan sebelumnya bahwa untuk mengetahui tingkat keeratan hubungan antara variabel bebas dengan variabel terikat, digunakan teknik pengujian data dengan menggunakan analisis regresi. Dalam analisis regresi ada beberapa langkah yang akan dilakukan yang diantaranya sebagai berikut : 1. Mengadakan estimasi (penaksiran) terhadap parameter berdasarkan data empiris. 2. Menguji berapa besar variasi varabel terikat dapat diterangkan oleh variasi variabel bebas. 3. Menguji apakah penaksiran atau estimasi (penaksir) parameter tersebut signifikan atau tidak 4. Menguji apakah tanda atau hasil dari estimasi sesuai dengan teori atau tidak
61
Dalam melakukan analisis regresi akan berhubungan dengan metode kuadratik terkecil biasa (Ordinary Least Square/OLS) yaitu merupakan dalil yang mengungkapkan bahwa garis lurus terbaik yang dapat mewakili titik hubungan independent variable (variabel bebas) dan
dependent variable (variabel terikat)
adalah garis lurus yang memenuhi kriteria jumlah kuadrat selisih antara titik observasi dengan titik yang ada pada garis minimum. Analisis data dapat dilakukan dengan menggunakan dengan cara manual (Gambar 3.1) ataupun perangkat lunak eviews (Tabel 3.2). Tabel 3.2 Penjelasan Istilah Eviews Istilah R-squared Adjusted R-squared
S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Mean dependent var S.D. dependent var F-statistic Akaike info criterion
Schwarz criterion
Prob(F-statistic)
Keterangan Menunjukkan kemampuan model. Nilai R2 yang sudah disesuaikan. Semakin banyak variabel independen yang dimasukkan ke dalam persamaan, akan semakin memperkecil nilai R 2 ini. Standard error dari persamaan regresi Jumlah nilai residual kuadrat Untuk melihat apakah ada atau tidak variabel yang tidak pentingnya. Nilai uji DW, digunakan untuk mengetahui apakah ada autokorelasi atau tidak (hubungan antarresidual) Nilai mean (rata-rata) variabel dependen Standar deviasi variabel dependen (Y). Uji serempak pengaruh semua variabel independen (dalam contoh ini adalah X) terhadap variabel dependen (Y) Akaike info criterion adalah cara untuk memilih model dari beberapa model yang sejenis untuk dibandingkan. Namun nilai ini baru dapat dibandingkan apabila ada model lain yang juga sudah dihitung AIC-nya Metode untuk membandingkan spesifikasi model alternatif dengan menyesuaikan ESS untuk ukuran sampel (n) dan jumlah koefisien dalam model (K). Probabilitas nilai uji statistik F.
62
Data
Hasil olah data berupa tabel penolong
Metode Matriks (X’X)
Metode Matriks (X’Y)
Mencari determinan (X’X) dan (X’Y) Mencari invers A-1
Mencari koefisien arah regresi ( β0, β1, β2, β3, β4) ( A-1 )(X’Y) Menentukan model penelitian Y= C + X1 + X2 + X3 + X4
Mencari koefisien determinasi (R2) R2=β1∑X1Y + β2∑X2Y +β3∑X3Y + β4∑X4Y ∑Y2 -1
Uji F R2 / k (1-R2 )/n-k-1 ∑Y2
Uji t t = bk sbk bk = Koefisien β1, β2, β3, β4 sbk = ∑Y2 - β1∑X1Y - β2∑X2Y - β3∑X3Y - β4∑X4Y n-k
Gambar 3.1 Langkah-langkah mengolah data secara manual
63
Adapun asumsi yang harus dipenuhi OLS sebagaimana diungkapkan oleh Gujarati (1978 : 66 - 68) sebagai berikut : 1.
Model regresi yang digunakan adalah linier.
2.
Data yang didapatkan tepat, artinya nilai yang didapatkan tetap meskipun sampling diulang secara teknis. Dengan kata lain dapat dianggap tidak stokastik untuk data variable independent dan stokastik untuk variable dependent.
3.
Rata-rata dari variabel pengganggu (Disturbance Term Mean) adalah nol, artinya perubahan variabel terikat tidak akan mempengaruhi disturbance term mean, dengan kata lain mean dari residual adalah tetap nol.
4.
Homoscedastisitas (Homoscedasticity), variabel dari disturbance term adalah konstan.
5.
Tidak terjadinya autokorelasi pada disturbance term.
6.
Covariance antara disturbance term dan variabel independent adalah nol. Asumsi ini otomatis akan terpenuhi jika asumsi dua dan tiga terpenuhi.
7.
Jumlah data (n) harus lebih besar daripada jumlah variabel.
8.
Data harus bervariasi besarnya, secara teknis variance data tidak sama dengan nol.
9.
Spesifikasi model sudah tepat.
10.
Tidak terjadi multikoliniearitas sempurna, tidak terjadi korelasi sempurna antar independent variabel.
64
3.7.1
Koefisien Determinasi Majemuk R2 Koefisien determinasi sebagai alat ukur kebaikan (goodness of fit) dari
persamaan regresi yaitu memberikan proporsi atau presentase variasi total dalam variabel tidak bebas Y yang dijelaskan oleh variabel bebas X. Koefisien determinasi majemuk (multiple coefficient of determination) dinyatakan dengan R2. Koefisien determinasi dapat dicari dengan menggunakan rumus: R
2
=
= 1 − = 1 −
ESS TSS RSS TSS
∑ ∑
(Gujarati 1988:101) e e
2 i 2 y
Jika R2 semakin antara 0 dan 1 maka (0<1R2<1) dengan ketentuan sebagai berikut: a. Jika R2 semakin mendekati 1 maka hubungan antara variabel bebas dengan variabel terikat semakin erat. b. Jika R2 semakin menjauhi angka 1, maka hubungan antara variabel bebas dengan variabel terikat tidak erat.
65
3.7.2 Uji Hipotesis 3.7.2.1 Pengujian Parsial (Uji t) Pengujian hipotesis secara individu dengan uji t bertujuan untuk mengetahui pengaruh dari masing-masing variabel bebas X terhadap variabel terikat Y Pengujian hipotesis secara individu dapat dilakukan dengan menggunakan rumus: t=
bk Sbk Gujarati, 2001: 78
Setelah diperoleh t hitung, selanjutnya bandingkan dengan t tabel dengan α disesuaikan, adapun cara mencari t tabel dapat menggunakan rumus: ttabel = n-k dimana :
t = ttabel pada α disesuaikan n = banyak sampel k = variabel bebas
Adapun kriteia yang dapat digunakan adalah sebagai berikut: Ho diterima, jika thitung ≤ ttabel, df (n-k) Ho ditolak, jika thitung ≥ ttabel, df (n-k) Jika thitung lebih besar dari ttabel maka Ho ditolak, Hi diterima. Jika thitung lebih kecil dari ttabel maka Ho diterima, Hi ditolak. Dalam pengujian hipotesis ini tingkat kesalahan yang digunakan adalah 5% atau 0,05 pada taraf signifikansi 95%.
66
3.7.2.2 Pengujian Secara Keseluruhan (Uji F) Uji F digunakan dengan maksud untuk melihat pengaruh variabel-variabel bebas terhadap variabel terikat secara simultan. Hipotesisnya adalah : Ho : diterima jika Fhitung ≥ Ftabel (df=
Ha : ditolak jika Fhitung ≤ Ftabel (df=
k ) n − k −1
k ) n − k −1
Artinya apabila Fhitung ≤ Ftabel, maka pengaruh bersama antara variabel bebas (Xi) secara keseluruhan terhadap variabel terikat (Y) tidak signifikan, tetapi sebaliknya apabila Fhitung ≥ Ftabel maka pengaruh bersama antara variabel bebas (Xi) terhadap variabel terikat (Y) adalah signifikan. Uji signifikansinya dapat dihitung dengan rumus :
F=
ESS /(k − 1) R 2 /(k − 1) = RSS /(n − k ) (1 − R 2 ) /(n − k )
Gujarati, 2001:120
Keterangan : R2 = Koefisien determinasi K = Parameter (jumlah variabel independent) n = Jumlah observasi F = Fhitung yang selanjutnya dibandingkan dengan Ftabel. Gujarati, 2003: 255
67
3.7.3.Uji Asumsi 3.7.3.1 Multikolinearitas Istilah multikolinearitas mula-mula ditemukan oleh Ragnar Frisch. Pada mulanya multikolinaritas berarti adanya hubungan yang sempurna atau pasti, diantara beberapa atau semua variabel yang menjelaskan dari model regresi. Multikolinearitas berhubungan dengan situasi di mana ada hubungan linear baik yang pasti atau mendekati pasti di antara variabel X. Yang dimaksud dengan multikolinearitas ialah situasi adanya korelasi variabel-variabel bebas diantara satu dengan lainnya. Dalam hal ini kita sebut variabel-variabel bebas ini tidak ortogonal. Variabel-variabel bebas yang bersifat ortogonal adalah variabel yang nilai korelasi diantara sesamanya sama dengan nol. (Sritua Arief 1993 : 23) Jika terdapat korelasi yang sempurna diantara sesama variabel-variabel bebas sehingga nilai koefisien korelasi diantara sesama variabel bebas ini sama dengan satu, maka konsekuensinya adalah : •
Koefisien-koefisien regresi menjadi tidak dapat ditaksir
•
Nilai standar error setiap koefisien regresi menjadi tak terhingga Untuk mengetahui adanya multikolinearitas dalam suatu model persamaan
adalah dilakukan beberapa pendeteksian sebagai berikut a)
Kolinearitas seringkali diduga ketika R 2 tinggi (misalnya: antara 0,7 dan 1) dan ketika korelasi derajat nol juga tinggi, tetapi tidak satu pun atau sangat sedikit
68
koefisisen regresi parsial yang secara individual penting secara statistik atas dasar pengujian t yang konvensional. Jika R2 tinggi, ini akan berarti bahwa uji F dari prosedur analisis varians dalam sebagian kasus akan menolak hipotesis nol bahwa nilai koefisien kemiringan parsial secara simultan sebenarnya adalah nol, meskipun uji-t sebaliknya. b) Regresi Auxiliary, pada uji ini hanya dilihat dari hubungan secara individual antara satu variabel independen dengan variabel independen yang lain. Keputusan ada tidaknya unsur multikolinearitas dalam model ini dengan membandingkan nilai F dengan nilai kritis F. Jika nilai hitung F lebih besar dari nilai kritis F dengan tingkat signifikansi α dan derajat kebebasan tertentumaka dapat disimpulkan model mengandung unsure multikolinearitas yakni terdapat hubungan linier antara satu variabel X dengan variabel X yang lain. Sebaliknya jika nilai hitung F lebih kecil dari nilai kritis F maka tidak terdapat hubungan linier antara satu variabel X dengan variabel X yang lain. c)
Korelasi derajat nol yang tinggi merupakan kondisi yang cukup tidak perlu adanya kolinearitas karena hal ini dapat terjadi meskipun melalui korelasi derajat nol atau sederhana relatif rendah (misalnya kurang dari 0,50).
d) Sebagai hasilnya disarankan bahwa seharusnya melihat tidak hanya pada korelasi derajat nol, tetapi juga koefisien parsial.
69
e)
Karena
Multikolinearitas timbul karena satu atau lebih variabel yang
menjelaskan merupakan kombinasi linear yang pasti atau mendekati pasti dari variabel yang menjelaskan lainnya Adapun cara mengatasi masalah multikolinearitas adalah: Tanpa ada perbaikan Multikolinieritas tetap menghasilkan estimator yang BLUE karena masalah estimator yang BLUE tidak memerlukan asumsi tidak adanya korelasi antar variabel independen. Multikolinieritas hanya menyebabkan kita kesulitan memperoleh estimator dengan standard error yang kecil. Masalah multikolinieritas biasanya juga timbul karena kita hanya mempunyai jumlah observasi yang sedikit. Dengan Perbaikan Apabila terjadi Multikolinearitas menurut Gujarati (1999) disarankan untuk mengatasinya dapat dilakukan dengan cara sebagai berikut : a)
Informasi apriori.
b)
Menghubungkan data cross sectional dan data urutan waktu.
c)
Mengeluarkan suatu variabel atau variabel-variabel dan bias spesifikasi.
d)
Transformasi variabel serta penambahan variabel baru.
3.7.3.2 Heteroskedastisitas Satu dari asumsi penting model regresi klasik adalah bahwa varians tiap unsur disturbance ui, tergantung (conditional) pada nilai yang dipilih dari variabel yang
70
menjelaskan, adalah suatu angka konstan yang sama dengan σ 2 . Ini merupakan asumsi homoskedastisitas, atau penyebaran (scedasticity) sama (homo), yaitu varians sama.
Sebaliknya
varians
bersyarat
tidak
sama
menunjukkan
gejala
heteroskedastisitas. Heteroskedastis dapat diuji dengan menggunakan korelasi rank dari Spearman sebagai berikut :
∑ di 2 rs = 1 − 6 N ( N − 1)
(Gujarati 1988 :188)
dimana: di = perbedaan dalam rank yang ditepatkan untuk dua karakteristik yang berbeda dari individual atau fenomena ke i dan N= banyaknya individual atau fenomena yang di rank. Jika ditemukan heteroskedastisitas, maka estimator tidak akan efisien dan akan menyesatkan peramalan atau kesimpulan selanjutnya. Untuk mendeteksi ada tidaknya gejala heteroskedastisitas, dilakukan pengujian dengan menggunakan White Heteroscedasticity Test Eviews. Selain itu terdapat beberapa metode yang dapat digunakan untuk mengetahui heteroskedastis, yaitu: a) Metode Informal Cara yang paling cepat dan dapat digunakan untuk menguji masalah heteroskedastisitas adalah dengan mendeteksi pola residual melalui sebuah grafik.
71
Jika residual mempunyai varian yang sama (homoskedastisitas) maka kita tidak mempunyai pola yang pasti dari residual. b) Metode Park Menurut Park dalam Agus (2005:149), varian residual yang tidak konstan atau masalah heteroskedastisitas muncul karena residual ini tergantung dari variabel independen yang ada di dalam model. Untuk prosedur pengujian uji park dijelaskan sebagai berikut: Melakukan regresi terhadap model yang ada dengan metode OLS dan kemudian mendapatkan residualnya. Melakukan regresi terhadap residual kuadrat Jika nilai t hitung lebih kecil dari nilai kritis tabel t maka tidak ada masalah heteroskedastisitas
dan
jika
sebaliknya
maka
mengandung
masalah
heteroskedastisitas. c) Metode Glejser Menyarankan untuk meregresikan nilai absolut residual yang diperoleh atas variabel bebas.
IµˆI = α + βX + vi Hipotesis yang digunakan: H0 :
= 0 (Tidak ada masalah heteroskedastisitas)
H1 :
≠ 0 (Ada masalah heteroskedastisitas)
72
Apabila thitung > ttabel, maka H0 ditolak dan H1 diterima, berarti ada masalah heteroskedastisitas, begitupun sebaliknya. Jika thitung < ttabel, maka H0 diterima dan H1 ditolak berarti tidak terdapat heteroskedastisitas. d) Metode korelasi Spearman Menurut Agus (2005:153) Langkah yang harus dilakukan untuk menguji ada tidaknya masalah heteroskedastisitas dalam hasil regresi dengan menggunakan korelasi Spearman adalah sebagai berikut: Setelah melakukan regresi maka dapatkan residualnya Cari nilai absolute dan kemudian diranking dari nilai yang paling besar ataupun diranking dari nilai yang paling kecil. Lakukan hal yang sama untuk variabel independen X. setelah keduanya diranking maka selanjutnya mencari korelasi Spearman. Diasumsikan bahwa koefisien korelasi dari rank populasi ρ s adalah nol dan n>8 signifikansi dari sampel rnk Korelasi Spearman rs dapat diuji dengan menggunakan uji t. nilai statistic t hitung dapat dicari dengan menggunakan formula sbb:
t=
rs
n−2
1 − rs2
(Agus, 2005: 154)
Jika nilai t hitung lebih besar dari nilai t kritis tabel t maka kita bisa
menyimpulkan bahwa regresi mengandung masalah heteroskedastisitas dan sebaliknya maka tidak ada heteroskedastisitas. e) Metode GoldFeld-Quandt
73
Metode ini mengasumsikan bahwa heteroskedastosotas merupakan fungsi positif dari avriabel independen. Adapun prosedur metode GoldFeld-Quandt sebagai berikut: Mengurutkan data sesuai dengan nilai X, dimulai dari nilai yang paling kecil hingga yang paling besar; Menghilangkan observasi yang ditengah (c). c dipilih secara apriori; Melakukan regresi pada setiap kelompok secara terpisah; Dapatkan RSS1 yang berhubungan dengan nilai x kecil dari RSS2
yang
berhubungan dengan nilai x yang besar; Hitung nilai rasio. f) Uji White (White Test). Pengujian terhadap gejala heteroskedastisitas dapat dilakukan dengan melakukan White Test, yaitu dengan cara meregresi residual kuadrat dengan variabel bebas, variabel bebas kuadrat dan perkalian variabel bebas. Ini dilakukan dengan membandingkan χ2hitung dan χ2tabel, apabila χ2hitung > χ2tabel maka hipotesis yang mengatakan bahwa terjadi heterokedasitas diterima, dan sebaliknya apabila χ2hitung < χ2tabel maka hipotesis yang mengatakan bahwa terjadi heterokedasitas ditolak. Dalam metode White selain menggunakan nilai χ2hitung, untuk memutuskan apakah data terkena heteroskedasitas, dapat digunakan nilai probabilitas Chi Squares yang merupakan nilai probabilitas uji White. Jika probabilitas Chi Squares < α, berarti Ho ditolak jika probabilitas Chi Squares > α, berarti Ho diterima.
74
Dalam penelitian ini, penulis menggunakan Uji White dengan bantuan Software
Eviews.
Dilakukan
pengujian
dengan
menggunakan
White
Heteroscedasticity Test yaitu dengan cara meregresi residual kuadrat dengan variabel bebas, variabel bebas kuadrat dan perkalian variabel bebas.
3.7.3.3 Autokorelasi Yaitu suatu fenomena bahwa faktor pengganggu yang satu dengan yang lain saling berhubungan. Autokorelasi menggambarkan tidak adanya korelasi antara variabel pengganggu disturbance term. Faktor-faktor penyebab autokorelasi antara lain kesalahan dalam menentukan model, penggunaan lag dalam model dan tidak dimasukannya variabel penting. Akibatnya parameter yang diestimasi menjadi bias dan varian tidak minimum sehingga tidak efisien. Untuk mendeteksi ada tidaknya autokorelasi dalam suatu model regresi OLS, bebarapa cara di bawah ini dapat dilakukan : (1) Metode Uji Langrange Multilier (LM) atau Uji Breusch Godfrey yaitu dengan membandingkan nilai χ2tabel dengan χ2hitung. Rumus untuk mencari χ2 hitung sebagai berikut : χ2 = (n-1)R2 Dengan pedoman : bila nilai χ2hitung lebih kecil dibandingkan nilai χ2tabel maka tidak ada autokorelasi. Sebaliknya bila nilai χ2hitung lebih besar dibandingkan dengan nilai χ2tabel maka ditemukan adanya autokorelasi.
75
(2) Uji Durbin Watson (DW) untuk mendeteksi autokorelasi, yaitu dengan cara membandingkan DW statistik dengan DW tabel. (a)
Lakukan regresi OLS dan dapatkan residual ei
(b)
Hitung nilai d (Durbin-Watson).
(c)
Dapatkan nilai kritis dl dan du.
(d)
Ikuti aturan keputusan yang diberikan pada tabel.
Untuk melihat ada tidaknya autokorelasi, dapat juga digunakan ketentuan sebagai berikut: Tabel 3.3 Ketentuan Durbin Watson DW Kesimpulan Kurang dari 1,10
Ada Autokolerasi
1,10 – 1,54
Tanpa kesimpulan
1,55 – 2,46
Tidak Ada Autokolerasi
2,46 – 2,90
Tanpa kesimpulan
Lebih dari 2,91
Ada Autokolerasi
Sumber : M. Firdaus, 2004:101
Untuk menghitung DW dengan menggunakan rumus : t=N
DW =
∑ (e t =2
t
− et −1 ) 2
t=N
∑e t =1
2 t
Dalam penelitian ini, penulis menggunakan uji DW untuk mendeteksi ada tidaknya autokolerasi dengan bantuan Eviews.
